We report a comprehensive proteogenomics analysis, including whole-genome sequencing, RNA sequencing, and proteomics and phosphoproteomics profiling, of 218 tumors across 7 histological types of childhood brain cancer: low-grade glioma (n = 93), ependymoma (32), high-grade glioma (25), medulloblastoma (22), ganglioglioma (18), craniopharyngioma (16), and atypical teratoid rhabdoid tumor (12). Proteomics data identify common biological themes that span histological boundaries, suggesting that treatments used for one histological type may be applied effectively to other tumors sharing similar proteomics features. Immune landscape characterization reveals diverse tumor microenvironments across and within diagnoses. Proteomics data further reveal functional effects of somatic mutations and copy number variations (CNVs) not evident in transcriptomics data. Kinase-substrate association and co-expression network analysis identify important biological mechanisms of tumorigenesis. This is the first large-scale proteogenomics analysis across traditional histological boundaries to uncover foundational pediatric brain tumor biology and inform rational treatment selection.

Histopathologic evaluation of Hematoxylin & Eosin (H&E) stained slides is essential for disease diagnosis, revealing tissue morphology, structure, and cellular composition. Variations in staining protocols and equipment result in images with color nonconformity. Although pathologists compensate for color variations, these disparities introduce inaccuracies in computational whole slide image (WSI) analysis, accentuating data domain shift and degrading generalization. Current state-of-the-art normalization methods employ a single WSI as reference, but selecting a single WSI representative of a complete WSI-cohort is infeasible, inadvertently introducing normalization bias. We seek the optimal number of slides to construct a more representative reference based on composite/aggregate of multiple H&E density histograms and stain-vectors, obtained from a randomly selected WSI population (WSI-Cohort-Subset). We utilized 1,864 IvyGAP WSIs as a WSI-cohort, and built 200 WSI-Cohort-Subsets varying in size (from 1 to 200 WSI-pairs) using randomly selected WSIs. The WSI-pairs' mean Wasserstein Distances and WSI-Cohort-Subsets' standard deviations were calculated. The Pareto Principle defined the optimal WSI-Cohort-Subset size. The WSI-cohort underwent structure-preserving color normalization using the optimal WSI-Cohort-Subset histogram and stain-vector aggregates. Numerous normalization permutations support WSI-Cohort-Subset aggregates as representative of a WSI-cohort through WSI-cohort CIELAB color space swift convergence, as a result of the law of large numbers and shown as a power law distribution. We show normalization at the optimal (Pareto Principle) WSI-Cohort-Subset size and corresponding CIELAB convergence: a) Quantitatively, using 500 WSI-cohorts; b) Quantitatively, using 8,100 WSI-regions; c) Qualitatively, using 30 cellular tumor normalization permutations. Aggregate-based stain normalization may contribute in increasing computational pathology robustness, reproducibility, and integrity.

Abstract Purpose Pediatric spinal cord gliomas (PSGs) are rare in children and few reports detail their imaging features. We tested the association of tumoral grade with imaging features and proposed a novel approach to categorize post-contrast enhancement patterns in PSGs. Methods This single-center, retrospective study included patients <21 years of age with preoperative spinal MRI and confirmed pathological diagnosis of PSG from 2000-2022. Tumors were classified using the 5th edition of the WHO CNS Tumors Classification. Two radiologists reviewed multiple imaging features, and classified enhancement patterns using a novel approach. Fisher's exact test determined associations between imaging and histological features. Results Forty-one PSGs were reviewed. Thirty-four were intramedullary, and seven were extramedullary. Pilocytic astrocytoma was the most common tumor (39.02%). Pain and weakness were the most prevalent symptoms. Seven patients (17.07%) died. Cyst, syringomyelia, and leptomeningeal enhancement were associated with tumor grade. Widening of the spinal canal was observed only in low-grade astrocytomas. There was a significant association between tumor grade and contrast enhancement pattern. Specifically, low-grade PSGs were more likely to exhibit type 1A enhancement (mass-like, with well-defined enhancing margins) and less likely to exhibit type 1B enhancement (mass-like, with ill-defined enhancing margins). Conclusion PSGs display overlapping imaging features, making grade differentiation challenging based solely on imaging. The correlation between tumor grade and contrast enhancement patterns suggests a potential diagnostic avenue, requiring further validation with larger, multicenter studies. Furthermore, Low-grade PSGs display cysts and syringomyelia more frequently, and leptomeningeal enhancement is less common.

Summary Pediatric brain and spinal cancer are the leading disease-related cause of death in children, thus we urgently need curative therapeutic strategies for these tumors. To accelerate such discoveries, the Children’s Brain Tumor Network and Pacific Pediatric Neuro-Oncology Consortium created a systematic process for tumor biobanking, model generation, and sequencing with immediate access to harmonized data. We leverage these data to create OpenPBTA, an open collaborative project which establishes over 40 scalable analysis modules to genomically characterize 1,074 pediatric brain tumors. Transcriptomic classification reveals that TP53 loss is a significant marker for poor overall survival in ependymomas and H3 K28-altered diffuse midline gliomas and further identifies universal TP53 dysregulation in mismatch repair-deficient hypermutant high-grade gliomas. OpenPBTA is a foundational analysis platform actively being applied to other pediatric cancers and inform molecular tumor board decision-making, making it an invaluable resource to the pediatric oncology community. In Brief The OpenPBTA is a global, collaborative open-science initiative which brought together researchers and clinicians to genomically characterize 1,074 pediatric brain tumors and 22 patient-derived cell lines. Shapiro, et. al create over 40 open-source, scalable modules to perform cancer genomics analyses and provide a richly-annotated somatic dataset across 58 brain tumor histologies. The OpenPBTA framework can be used as a model for large-scale data integration to inform basic research, therapeutic target identification, and clinical translation. Highlights OpenPBTA collaborative analyses establish resource for 1,074 pediatric brain tumors NGS-based WHO-aligned integrated diagnoses generated for 641 of 1,074 tumors RNA-Seq analysis infers medulloblastoma subtypes, TP53 status, and telomerase activity OpenPBTA will accelerate therapeutic translation of genomic insights

Intracranial epidermoid tumors, temporal bone cholesteatomas, and head and neck epidermoid inclusion cysts are typically slow-growing, benign conditions arising from ectodermal tissue. They exhibit increased signal on DWI. While much of the imaging literature describes these lesions as showing diffusion restriction, we aimed to investigate these qualitative signal intensities and interpretations of restricted diffusion with respect to normal brain structures. This study aimed to quantitatively evaluate the ADC values and histogram features of these lesions.

In the medical diagnostics domain, pathology and histology are pivotal for the precise identification of diseases. Digital histopathology, enhanced by automation, facilitates the efficient analysis of massive amount of biopsy images produced on a daily basis, streamlining the evaluation process. This study focuses in Stain Color Normalization (SCN) within a Whole-Slide Image (WSI) cohort, aiming to reduce batch biases. Building on published graphical method, this research demonstrates a mathematical population or data-driven method that optimizes the dependency on the number of reference WSIs and corresponding aggregate sums, thereby increasing SCN process efficiency. This method expedites the analysis of color convergence 50-fold by using stain vector Euclidean distance analysis, slashing the requirement for reference WSIs by more than half. The approach is validated through a tripartite methodology: 1) Stain vector euclidean distances analysis, 2) Distance computation timing, and 3) Qualitative and quantitative assessments of SCN across cancer tumors regions of interest. The results validate the performance of data-driven SCN method, thus potential to enhance the precision and reliability of computational pathology analyses. This advancement is poised to enhance diagnostic processes, therapeutic strategies, and patient prognosis.

Abstract Histopathologic evaluation has been an integral part of clinical diagnosis for central nervous system tumors, providing information essential for classification, management, and treatment of the disease. Hematoxylin and eosin (H&E) staining is routinely used in histology, providing detail of tissue morphology, structure, and cellular composition. MOTIVATION: Slide staining is rife with color intensity variations, mainly due to differences in materials and staining protocols among others. These variations introduce inaccuracies in downstream computational analysis and quantification of disease, disabling the generalization of computational models. To overcome these variations, current approaches arbitrarily select a slide within the cohort to normalize all slides of the cohort, leading to non-reproducible results in other cohorts. We develop a population-based whole slide image (WSI) normalization method based on overall region driven stain vectors and color histogram, weighted by corresponding percent contribution to overall slide (PCOS). METHODS: We identified a cohort of 509 H&E stained WSIs with corresponding anatomical annotations from the Ivy Glioblastoma Atlas Project. These WSIs and annotations were reviewed by two neuropathologists for correctly annotated regions. Each region was weighted according to PCOS, WSIs with PCOS &lt; 0.05% were discarded. Then, the optical densities and histograms calculated. Resulting color histogram and optical density was applied to the WSI cohort. Finally, stain intensity variability pre- and post- normalization was compared. RESULTS: Normalizing WSIs based on our approach, results in a significant (p &lt; 0.01, Wilcoxon) improvement in color intensity variation for eight of nine regions tested, with the exception of “Pseudopalisading Cells with no visible Necrosis” (p = 0.8). DISCUSSION: This novel transformative technique is insensitive to artificially staining background density and straightforward to apply. Furthermore, the approach shows promise towards a viable and robust tool for stain normalization in large WSIs cohorts, with the potential towards a stain normalization standard generalizable to other diseases.

Abstract MOTIVATION Glioblastoma is the most common and aggressive adult brain tumor. Clinical histopathologic evaluation is essential for tumor classification, which according to the World Health Organization is associated with prognostic information. Accurate prediction of patient overall survival (OS) from clinical routine baseline histopathology whole slide images (WSI) using advanced computational methods, while considering variations in the staining process, could contribute to clinical decision-making and patient management optimization. METHODS We utilize The Cancer Genome Atlas glioblastoma (TCGA-GBM) collection, comprising multi-institutional hematoxylin and eosin (H&E) stained frozen top-section WSI, genomic, and clinical data from 121 subjects. Data are randomly split into training (80%), validation (10%), and testing (10%) sets, while proportionally keeping the ratio of censored patients. We propose a novel deep learning algorithm to identify survival-discriminative histopathological patterns in a WSI, through feature maps, and quantitatively integrate them with gene expression and clinical data to predict patient OS. The concordance index (C-index) is used to quantify the predictive OS performance. Variations in slide staining are assessed through a novel population-based stain normalization approach, informed of glioblastoma distinct histologic sub-regions and their appearance from 509 H&E stained slides with corresponding anatomical annotations from the Ivy Glioblastoma Atlas Project (IvyGAP). RESULTS C-index was equal to 0.797, 0.713, and 0.703 for the training, validation, and testing data, respectively, prior to stain normalization. Following normalization, staining variations in H&E and ‘E’ gained significant improvements in IvyGAP (pWilcoxon&lt; 0.01) and TCGA-GBM (pWilcoxon&lt; 0.0001) data, respectively. These improvements contributed to further optimizing the C-index to 0.871, 0.777, and 0.780 for the training, validation, and testing data, respectively. CONCLUSIONS Appropriate normalization and integrative deep learning yield accurate OS prediction of glioblastoma patients through H&E slides, generalizable in multi-institutional data, potentially contributing to patient stratification in clinical trials. Our computationally-identified survival-discriminative histopathological patterns can contribute in further understanding glioblastoma.

Our group has developed an extra-uterine environment for newborn development (EXTEND) using an ovine model, that aims to mimic the womb to improve short and long-term health outcomes associated with prematurity. This study's objective was to determine the histologic and transcriptomic consequences of EXTEND on the brain. Histology and RNA-sequencing was conducted on brain tissue from three cohorts of lambs: control pre-term (106–107 days), control late pre-term (127 days), and EXTEND lambs who were born pre-term and supported on EXTEND until late pre-term age (125–128 days). Bioinformatic analysis determined differential gene expression among the three cohorts and across four different brain tissue sections: basal ganglia, cerebellum, hippocampus, and motor cortex. There were no clinically relevant histological differences between the control late pre-term and EXTEND ovine brain tissues. RNA-sequencing demonstrated that there was greater differential gene expression between the control pre-term lambs and EXTEND lambs than between the control late pre-term lambs and EXTEND lambs (Supplemental Figs. 1 and 2). Our study demonstrates that the use of EXTEND to support pre-term lambs until they reach late pre-term gestational age results in brain tissue gene expression that more closely resembles that of the lambs who reached late pre-term gestation within their maternal sheep's womb than that of the lambs who were born prematurely.